Forecasting energy prices in zonal electricity markets

This thesis addresses this challenge of electrcity price forecasting for the Italian Day-Ahead Market (MGP), focusing on zonal prices. The thesis provides a comparative analysis of state-of-the-art forecasting models for its seven distinct price zones, evaluating three distinct models: a hybrid SARIMAX-LSTM model, a Lasso-VARX statistical model that employs regularization for feature selection and a daily recalibration strategy to adapt to market dynamics, and finally, a Deep Neural Network (DNN) model. The DNN exploits EPFToolbox, a specialized framework that automates model architecture design and hyperparameter optimization through Bayesian methods. All models are trained on hourly data from Italy's seven market zones, incorporating a feature set of exogenous variables, including load and renewable generation forecasts, market concentration indices, and technical indicators. Key data preprocessing steps are also applied to handle the statistical properties of electricity prices. The aim of the project is to identify strengths and weaknesses of these statistical and machine learning based models, helping to understand their performance in the multi-zonal forecasting environment.

Questa tesi affronta la sfida del forecasting dei prezzi dell'energia elettrica sul mercato italiano del giorno prima (MGP), concentrandosi sui prezzi zonali. La tesi fornisce un'analisi comparativa dei modelli di previsione state-of-the-art per le sue sette zone di prezzo, valutando tre modelli distinti: un modello ibrido SARIMAX-LSTM, un modello statistico Lasso-VARX che sfrutta la regolarizzazione per effettuare la selezione delle features e una strategia di ricalibrazione giornaliera per adattarsi alle dinamiche di mercato e, infine, un modello Deep Neural Network (DNN). La rete neurale sfrutta EPFToolbox, un framework specializzato che automatizza la progettazione dell'architettura del modello e l'ottimizzazione degli iperparametri attraverso metodi bayesiani. Tutti i modelli sono addestrati su dati orari provenienti dalle sette zone di mercato italiane, incorporando un insieme di variabili esogene, tra cui previsioni di carico e di produzione da fonti rinnovabili, indici di concentrazione del mercato e indicatori tecnici. Vengono inoltre applicate delle tecniche di preprocessing dei dati per gestire le proprietà statistiche dei prezzi dell'energia elettrica. L'obiettivo del progetto è identificare i punti di forza e di debolezza di questi modelli basati su statistica e machine learning, contribuendo a comprenderne le prestazioni in un ambiente di previsione multizonale.